一种风电机组轴承温度预警方法

技术领域

本发明涉及风电领域，具体地涉及一种风电机组轴承温度预警方法。

背景技术

随着风能的快速发展，风电机组的故障率也在不断升高，由此带来的风电维护成本成为亟待解决的难题。实际上风电机组及其设备的故障是一个逐渐发展的过程，在设备完全故障损坏之前会有一些异常信号，如果在故障开始之前识别出这些信号并发出警告，就可以避免较大故障的发生并最大程度的减少计划外的停机，对提高风电机组运行可靠性和降低运维成本具有很大的现实意义。风电机组轴承作为重要的能量传递的关键设备之一，在实际运行过程中其故障及其关联设备故障较为频繁，故而对其异常状态的监测和预警具有重要意义。

现有的技术中对风电机组轴承的监测手段主要包括：基于非线性状态估计方法或机器学习方法建立主轴承正常工作状态温度预测模型，采用滑动窗口方法计算残差的统计分布特性，当其均值或标准差的置信区间超过设定的阈值时，认为轴承工作异常，该类方法由于需要人为设定阈值，主观性过强，并且传统的预测方法一般精度较低，产生误报警概率较大，可靠性不高。

因此，有必要提供一种新的风电机组轴承温度预警方法，以提高预警的精度，更加有效地进行监测。

发明内容

针对现有技术的上述问题，本发明拟提出一种风电机组轴承温度预警方法，以有效提高现有风电机组轴承温度的预测精度，对轴承的温度监测更加符合风机的实际运行状态。

具体地，本发明的实施方式提供了一种风电机组轴承温度预警方法，包括以下步骤：

获取风电机组SCADA温度数据集；

对所述风电机组SCADA温度数据集进行预处理，并筛选模型输入变量；

进行所述数据集划分，并建立基于GS-LightGBM的风电机组轴承温度预测模型；

根据所述预测模型预测所述风电机组轴承运行数据，并对其进行残差分析，计算EWMA控制图参数，得到报警阈值，分析工作状态。

可选地，所述数据预处理和模型输入变量筛选包括：

选取风电机组SCADA系统温度数据集，按照采样时间间隔建立正常温度参数历史数据库；对风电机组原始数据进行异常值筛选和缺失值填补，并进行模型输入变量初选；

对所述初选输入变量做归一化处理；

归一化后的变量分别计算出与轴承温度的相关系数，筛选出相关系数大的变量作为模型输入变量。

可选地，建立基于GS-LightGBM的风电机组轴承温度预测模型包括：

进行数据集输入输出变量划分，再将数据划分为训练集和测试集；

基于确定的所述筛选模型输入变量，构建LightGBM轴承温度预测模型结构；

基于训练集数据，对LightGBM模型进行参数优化，并使用交叉验证对模型表现进行评估，返回最优参数组合；

基于测试集数据，用含最优参数组合的LightGBM模型得到轴承温度预测结果。

可选地，采用网格搜索算法对LightGBM模型进行参数优化。

可选地，所述网格搜索算法包括：

将各个LightGBM参数的可能取值进行排列组合，列出所有的组合结果生成“网格”；

将组合参数用于LightGBM训练；

使用交叉验证对表现进行评估得到评价指标，并重复LightGBM训练；

得出所有组合参数评价指标值后比较指标大小选出最优的参数组合。

可选地，所述LightGBM参数包括最大树深度、学习率、单颗树最大叶子数和迭代次数。

可选地，建立基于EWMA控制图的轴承温度预警包括：

基于根据预测模型获得轴承温度的预测值，与所述轴承温度的真实值作差得到温度预测残差序列；

对所述残差序列作指数移动加权平均处理得到EWMA统计量；

计算EWMA控制图的上下限阈值；

通过EWMA统计量和阈值的比较判断轴承温度是否异常和报警。

本发明还提出一种电子设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明所提出的风电机组轴承温度预警方法。

本发明还提出一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现本发明所提出的风电机组轴承温度预警方法。

本发明提出的基于LightGBM模型和EWMA控制图的风电机组轴承温度预警方法，可以监测风电机组的运行状态，在故障发生前产生预警信号，可以及时调整控制运行方法或者提前安排工作人员检修，提高风电机组的经济性和可靠性。

附图说明

一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。

图1是本发明其中一实施例的基于GS-LightGBM模型和EWMA控制图的风电机组轴承温度预警方法具体实施步骤示意图。

图2是本发明其中一实施例的齿轮箱主轴承温度预测结果示意图。

图3是本发明其中一实施例的EWMA控制图预警示例示意图。

图4是本发明其中一实施例的某风机齿轮箱漏油故障EWMA控制示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本发明的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。

如图1所示，基于GS-LightGBM模型和EWMA控制图的风电机组轴承温度预警方法的具体实施步骤包括：

(1)以从风电场SCADA系统得到某风机正常运行三个月的数据集为例，按照一定的采样时间、例如5分钟采样一次，重新建立风电机组温度参数数据库，其中包括功率、齿轮箱主轴承温度，环境温度、轮毂温度等多种运行参数数据；对其中异常数据和缺失数据运用相关数据清洗方法进行剔除和填充得到风机正常运行状态下的多种运行参数数据集。

关于数据清洗方法可以采用本领域一般的数据清洗方法，例如基于距离度量和聚类方法的异常值筛选和基于拉格朗日插值法的缺失值填充。

(2)为消除不同参数量纲对模型训练的影响，需要对保证模型的收敛速度和方便数据处理，本发明采用min-max方法标准化方法将数据映射到[-1，1]区间内，公式如下：

其中x为某参数样本的数据，x

(3)预测模型的建立需要确定输入变量和输出变量，本发明以输出变量为齿轮箱主轴承温度为例说明此发明在轴承温度预警中的有效性，选取输入量时应考虑其对于输出量的影响程度，本发明采用相关系数r表征输入输出量的相关程度，两变量相关系数表示为：

其中：x和y为2个不同的样本集；σ

(4)按照步骤(3)中方法选取模型输入变量后，对(2)中获得的数据集进行输入输出变量划分，输入为包括齿轮箱主轴承温度数据在内的与之相关的6种变量数据，输出为与输入变量间隔为半小时的齿轮箱主轴承温度数据，建立模型的输入输出数据集；然后再取三个月后十天的数据作为测试集，其余数据作为训练集。

(5)采用LightGBM建立风机轴承温度预测模型，并将(4)中的训练集输入模型进行训练。

为了能够在不损害准确率的条件下加快传统GBDT模型的训练速度，LightGBM在传统的GBDT算法上加了两个技术来提升计算效率和速度：单边梯度采样和互斥稀疏特征绑定，前者可排除大部分小梯度的样本，仅用剩下的样本计算信息增益；而后者是将两个不完全互斥的特征捆绑来减少特征维度。基于LightGBM的温度预测模型可以加快计算速度和提高准确率，在现场的实用性更强。

(6)采用网格搜索的方法对LightGBM算法进行参数筛选，选出最优参数组合应用于预测模型当中使得预测的性能的到提升。网格搜索是指定参数值的一种穷举搜索方法，通过将估计函数的参数通过交叉验证的方法进行优化来得到最优的学习算法，步骤如下：

a)将各个参数的可能取值进行排列组合，列出所有的组合结果生成“网格”。本发明LightGBM参数包括最大树深度、学习率、单颗树最大叶子数和迭代次数；

b)将组合参数用于LightGBM训练；

c)使用交叉验证对表现进行评估得到评价指标，并重复b)；

d)得出所有组合参数评价指标值后比较指标大小选出最优的参数组合。

(7)将(4)中的测试集数据带入含最优参数组合的LightGBM模型，得到齿轮箱主轴承温度预测结果，部分预测结果如图2所示，与机器学习预测相关算法如SVM，GBDT和XGBoost相比较，其精度更高，计算速度更快。

(8)将(7)中预测结果与实际值做差得到温度预测残差，假设残差序列res＝[x

z

z

其中λ为权重，本发明取值为0.3，进一步可以得到z

于是，

由此，基于EWMA控制图指的是：

本发明所举的例子是基于风电机组正常运行状况下，由图3可以看出，EWMA统计量值在其中心线附近随机上下波动，并且一直没有超出EWMA控制图的上下阈值报警线，虽然偶尔会偏离中心控制线，但是没有形成一直上升或者下降直至超出控制线的趋势，所以可以说明此台风电机组没有发生主轴承故障的趋势。

图4是风场另一台风机发生齿轮箱漏油事故时EWMA控制图结果，控制图发生预警时间比现场的SCADA系统提前了2个小时左右，可以很好的提前预知故障发生，避免造成重大故障而造成经济损失。

本发明还涉及一种电子设备，包括：至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明所提出的风电机组轴承温度预警方法。

其中，存储器和处理器采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器。

处理器负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。

本发明还提出一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现本发明所提出的风电机组轴承温度预警方法。

即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明设计的基于LightGBM模型和EWMA控制图的风电机组轴承温度预警方法，可以监测风电机组的运行状态，在故障发生前产生预警信号，可以及时调整控制运行方法或者提前安排工作人员检修，提高风电机组的经济性和可靠性。

本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。